一种囊胚发育结果预测方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种囊胚发育结果预测方法、系统、设备及存储介质，本方法通过获取训练数据集；获取每张胚胎发育图像中的训练细胞数量特征、训练均匀程度特征和训练碎片化程度特征；将细胞数量特征、均匀程度特征和碎片化程度特征进行组合，获得训练组合特征；构建XGBoost预测模型；通过训练数据集对XGBoost预测模型进行训练，获得训练好的XGBoost预测模型；将具有细胞数量特征、均匀程度特征、碎片化程度特征以及组合特征的目标胚胎发育图像输入至训练好的XGBoost预测模型中进行预测，获得预测的囊胚发育结果和目标胚胎发育图像中对应特征的重要性排序。本发明专利技术能够提高预测囊胚发育结果的准确率。胚发育结果的准确率。胚发育结果的准确率。

【技术实现步骤摘要】
一种囊胚发育结果预测方法、系统、设备及存储介质


[0001]本专利技术涉及医疗人工智能
，尤其是涉及一种囊胚发育结果预测方法、系统、设备及存储介质。

技术介绍

[0002]在生殖医学领域，囊胚培养本身是一个优胜劣汰的过程，能够培养成功的胚胎都是质量优异的，所以囊胚培养具有筛选优质胚胎的意义。但囊胚培养有一定的几率失败，而失败意味着浪费宝贵的胚胎资源。在这种情况下，如果能够在囊胚培养前对其发育结果进行预知，那么就能避免造成不必要的胚胎资源损失。
[0003]临床上的传统方法。生殖科医生会依据自己的经验，在卵裂期（即选择囊胚发育之前的一个时期），依据一些指标（如胚胎分类的状态，是否均匀），对胚胎质量进行评估。对卵裂期胚胎质量评估是依据经验，对该阶段胚胎分裂数、均匀程度、碎片化程度来进行综合性评估。这个过程严重依赖医生的主观的经验性判断，具有不同临床工作经验的医生可能会给出不同结果，则对胚胎质量的判定结果也会不一致。而且该过程是人工操作，过程缓慢繁琐，不准确。
[0004]而现有的深度学习技术分析囊胚发育延时影像没有实质解决胚胎预测问题。现有的深度学习技术的胚胎预测过程是基于囊胚发育期间的时间点，而不是在卵裂期的预测。并且现有方法对于卵裂期的图像分析的方法虽然能够对囊胚发育结果进行预测，但该过程不具备可解释性。而在临床上，对于结果的可解释性有一定的要求，这关系到患者对于结果的可信程度。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种囊胚发育结果预测方法、系统、设备及存储介质，能够使模型具有可解释性，解决医生对胚胎质量评估的主观性问题，提高预测囊胚发育结果的准确率。
[0006]第一方面，本专利技术实施例提供了一种囊胚发育结果预测方法，所述囊胚发育结果预测方法包括：获取训练数据集，所述训练数据集包括卵裂期进行囊胚培育并已知发育结果的多张胚胎发育图像；获取每张所述胚胎发育图像中的训练细胞数量特征、训练均匀程度特征和训练碎片化程度特征；将所述训练细胞数量特征、所述训练均匀程度特征和所述训练碎片化程度特征进行组合，获得训练组合特征；设置XGBoost模型中的参数，根据所述参数构建XGBoost预测模型；通过具有所述训练细胞数量特征、所述训练均匀程度特征、所述训练碎片化程度特征以及所述训练组合特征的训练数据集对所述XGBoost预测模型进行训练，获得训练好
的XGBoost预测模型；获取目标胚胎发育图像对应的细胞数量特征、均匀程度特征、碎片化程度特征以及组合特征，并将具有所述目标胚胎发育图像对应的细胞数量特征、均匀程度特征、碎片化程度特征以及组合特征的目标胚胎发育图像输入至所述训练好的XGBoost预测模型中进行预测，获得预测的囊胚发育结果和所述目标胚胎发育图像中对应特征的重要性排序。
[0007]与现有技术相比，本专利技术第一方面具有以下有益效果：本方法为了能够解决医生对胚胎质量评估的主观性问题，提高预测囊胚发育结果的准确率，通过获取训练数据集，训练数据集包括卵裂期进行囊胚培育并已知发育结果的多张胚胎发育图像；获取每张胚胎发育图像中的训练细胞数量特征、训练均匀程度特征和训练碎片化程度特征；将训练细胞数量特征、训练均匀程度特征和训练碎片化程度特征进行组合，获得训练组合特征；设置XGBoost模型中的参数，构建XGBoost预测模型；通过具有训练细胞数量特征、训练均匀程度特征、训练碎片化程度特征以及训练组合特征的训练数据集对XGBoost预测模型进行训练，获得训练好的XGBoost预测模型；获取目标胚胎发育图像对应的细胞数量特征、均匀程度特征、碎片化程度特征以及组合特征，并将具有目标胚胎发育图像对应的细胞数量特征、均匀程度特征、碎片化程度特征以及组合特征的目标胚胎发育图像输入至训练好的XGBoost预测模型中进行预测，获得预测的囊胚发育结果和目标胚胎发育图像中对应特征的重要性排序。本方法获取每张胚胎发育图像中的训练细胞数量特征、训练均匀程度特征和训练碎片化程度特征，能够解决医生对胚胎质量评估的主观性问题，通过将训练细胞数量特征、训练均匀程度特征和训练碎片化程度特征进行组合，获得训练组合特征，能够提高预测囊胚发育结果的准确率，并通过XGBoost预测模型获得目标胚胎发育图像中对应特征的重要性排序，使得模型具有可解释性，使预测的囊胚发育结果具有可信度。
[0008]根据本专利技术的一些实施例，所述获取训练数据集，所述训练数据集，包括：获取在卵裂期的第一时间内进行囊胚培育并已知发育结果的多张第一胚胎发育图像，并将所有所述第一胚胎发育图像作为第一训练数据集；获取在卵裂期的第二时间内进行囊胚培育并已知发育结果的多张第二胚胎发育图像，并将所有所述第二胚胎发育图像作为第二训练数据集；其中，所述第二时间与所述第一时间不同；根据所述第一训练数据集和所述第二训练数据集生成训练数据集。
[0009]根据本专利技术的一些实施例，所述目标胚胎发育图像包括第一目标胚胎发育图像和第二目标胚胎发育图像，所述第一目标胚胎发育图像和所述第二目标胚胎发育图像为目标胚胎对应的不同时间采集的胚胎发育图像，所述获取目标胚胎发育图像对应的细胞数量特征，包括：采用Sobel算子和直方图均衡化对所述第一训练数据集中的每张所述第一胚胎发育图像进行图像增强处理，获得增强处理后的第一训练数据集；在所述增强处理后的第一训练数据集中随机选取第一预设值的第一胚胎发育样本图像；通过所述增强处理后的第一训练数据集对第一mask
‑
RCNN实例分割模型进行分割训练，每次训练前对每张所述第一胚胎发育样本图像翻转一次，直到所述第一mask
‑
RCNN实
例分割模型中的损失值收敛时结束训练，获得训练好的第一mask
‑
RCNN实例分割模型；通过所述训练好的第一mask
‑
RCNN实例分割模型对所述第一目标胚胎发育图像进行实例分割，获得所述第一目标胚胎发育图像中的第一细胞数量特征和第一分割图像；采用Sobel算子和直方图均衡化对所述第二训练数据集中的每张所述第二胚胎发育图像进行图像增强处理，获得增强处理后的第二训练数据集；在所述增强处理后的第二训练数据集中随机选取第二预设值的第二胚胎发育样本图像；通过所述增强处理后的第二训练数据集对第二mask
‑
RCNN实例分割模型进行分割训练，每次训练前对每张所述第一胚胎发育样本图像翻转一次，直到所述第二mask
‑
RCNN实例分割模型中的损失值收敛时结束训练，获得训练好的第二mask
‑
RCNN实例分割模型；通过所述训练好的第二mask
‑
RCNN实例分割模型对所述第二目标胚胎发育图像进行实例分割，获得所述第二目标胚胎发育图像中的第二细胞数量特征和第二分割图像。
[0010]根据本专利技术的一些实施例，所述获取目标胚胎发育图像对应的均匀程度特征，包括：获取所述第一训练数据集中标记为均匀、不均匀和严重融合的三类第一胚胎发育图像，并获取三类所述第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种囊胚发育结果预测方法，其特征在于，所述囊胚发育结果预测方法包括：获取训练数据集，所述训练数据集包括卵裂期进行囊胚培育并已知发育结果的多张胚胎发育图像；获取每张所述胚胎发育图像中的训练细胞数量特征、训练均匀程度特征和训练碎片化程度特征；将所述训练细胞数量特征、所述训练均匀程度特征和所述训练碎片化程度特征进行组合，获得训练组合特征；设置XGBoost模型中的参数，根据所述参数构建XGBoost预测模型；通过具有所述训练细胞数量特征、所述训练均匀程度特征、所述训练碎片化程度特征以及所述训练组合特征的训练数据集对所述XGBoost预测模型进行训练，获得训练好的XGBoost预测模型；获取目标胚胎发育图像对应的细胞数量特征、均匀程度特征、碎片化程度特征以及组合特征，并将具有所述目标胚胎发育图像对应的细胞数量特征、均匀程度特征、碎片化程度特征以及组合特征的目标胚胎发育图像输入至所述训练好的XGBoost预测模型中进行预测，获得预测的囊胚发育结果和所述目标胚胎发育图像中对应特征的重要性排序。2.根据权利要求1所述的囊胚发育结果预测方法，其特征在于，所述获取训练数据集，包括：获取在卵裂期的第一时间内进行囊胚培育并已知发育结果的多张第一胚胎发育图像，并将所有所述第一胚胎发育图像作为第一训练数据集；获取在卵裂期的第二时间内进行囊胚培育并已知发育结果的多张第二胚胎发育图像，并将所有所述第二胚胎发育图像作为第二训练数据集；其中，所述第二时间与所述第一时间不同；根据所述第一训练数据集和所述第二训练数据集生成训练数据集。3.根据权利要求2所述的囊胚发育结果预测方法，其特征在于，所述目标胚胎发育图像包括第一目标胚胎发育图像和第二目标胚胎发育图像，所述第一目标胚胎发育图像和所述第二目标胚胎发育图像为目标胚胎对应的不同时间采集的胚胎发育图像，所述获取目标胚胎发育图像对应的细胞数量特征，包括：采用Sobel算子和直方图均衡化对所述第一训练数据集中的每张所述第一胚胎发育图像进行图像增强处理，获得增强处理后的第一训练数据集；在所述增强处理后的第一训练数据集中随机选取第一预设值的第一胚胎发育样本图像；通过所述增强处理后的第一训练数据集对第一mask
‑
RCNN实例分割模型进行分割训练，每次训练前对每张所述第一胚胎发育样本图像翻转一次，直到所述第一mask
‑
RCNN实例分割模型中的损失值收敛时结束训练，获得训练好的第一mask
‑
RCNN实例分割模型；通过所述训练好的第一mask
‑
RCNN实例分割模型对所述第一目标胚胎发育图像进行实例分割，获得所述第一目标胚胎发育图像中的第一细胞数量特征和第一分割图像；采用Sobel算子和直方图均衡化对所述第二训练数据集中的每张所述第二胚胎发育图像进行图像增强处理，获得增强处理后的第二训练数据集；在所述增强处理后的第二训练数据集中随机选取第二预设值的第二胚胎发育样本图
像；通过所述增强处理后的第二训练数据集对第二mask
‑
RCNN实例分割模型进行分割训练，每次训练前对每张所述第一胚胎发育样本图像翻转一次，直到所述第二mask
‑
RCNN实例分割模型中的损失值收敛时结束训练，获得训练好的第二mask
‑
RCNN实例分割模型；通过所述训练好的第二mask
‑
RCNN实例分割模型对所述第二目标胚胎发育图像进行实例分割，获得所述第二目标胚胎发育图像中的第二细胞数量特征和第二分割图像。4.根据权利要求3所述的囊胚发育结果预测方法，其特征在于，所述获取目标胚胎发育图像对应的均匀程度特征，包括：获取所述第一训练数据集中标记为均匀、不均匀和严重融合的三类第一胚胎发育图像，并获取三类所述第一胚胎发育图像中对应的每个细胞的第一轮廓；根据所述每个细胞的第一轮廓，分割获得三类所述第一胚胎发育图像中的多个细胞；计算三类所述第一胚胎发育图像中对应的多个细胞中随机一个细胞的所有像素值，并计算所述细胞的所有像素值的第一中位数；根据所述第一中位数，从三类所述第一胚胎发育图像中对应的所述第一分割图像中选取均匀、不均匀和严重融合对应的第一像素值范围；计算所述第一目标胚胎发育图像对应的第一分割图像中所有细胞对应的第一目标中位数；根据所述第一像素值范围和所述第一目标中位数，获取所述第一目标胚胎发育图像中的第一均匀程度特征；获取所述第二训练数据集中标记为均匀、不均匀和严重融合的三类第二胚胎发育图像，并获取三类所述第二胚胎发育图像中对应的每个细胞的第二轮廓；根据所述每个细胞的第二轮廓，分割获得三类所述第二胚胎发育图像中的多个细胞；计算三类所述第二胚胎发育图像中对应的多个细胞中随机一个细胞的所有像素值，并计算所述细胞的所有像素值的第二中位数；根据所述第二中位数，从三类所述第二胚胎发育图像中对应的所述第二分割图像中选取均匀、不均匀和严重融合对应的第二像素值范围；计算所述第二目标胚胎发育图像对应的第二分割图像中所有细胞对应的第二目标中位数；根据所述第二像素值范围和所述第二目标中位数，获取所述第二目标胚胎发育图像中的第二均匀程度特征。5.根据权利要求4所述的囊胚发育结果预测方法，其特征在于，所述获取目标胚胎发育图像...

【专利技术属性】
技术研发人员：吴瑞文，黄伟红，黄佳，于永福，刘冠宇，李靖，高武强，
申请(专利权)人：中南大学，
类型：发明
国别省市：